机器学习
文章平均质量分 87
Wonder233
这个作者很懒,什么都没留下…
展开
-
RCNN学习笔记(2):Fast R-CNN
Fast-RCNN建立在之前的深度卷积神经网络上进行有效的分类及目标检测。但是它使用了几个创新点来提高训练及测试速度,并且也提高了检测精度。原创 2016-12-17 11:43:24 · 26888 阅读 · 16 评论 -
【TensorFlow实例】MNIST数字识别——3. 变量管理及模型持久化
当神经网络的结构复杂、参数更多时,需要更好的方式来传递和管理神经网络的参数,这就需要用到变量管理了。另外为了将训练得到的模型保存下来方便下次使用,即训练结果可以复用,需要将训练得到的神经网络模型持久化。原创 2019-02-17 16:41:53 · 383 阅读 · 0 评论 -
【TensorFlow 学习】卷积神经网络介绍及其常用结构分析
卷积神经网络简介,对比全连接网络及卷及网络。并分析卷积网络中常用结构:卷积层及池化层。原创 2019-02-21 17:05:48 · 893 阅读 · 0 评论 -
【TensorFlow实例】MNIST数字识别——2. 神经网络模型训练
MNIST 手写体数字识别完整 TensorFlow 程序原创 2019-02-15 16:37:43 · 1122 阅读 · 0 评论 -
【TensorFlow实例】MNIST数字识别——1.MNIST数据处理
MNIST 是一个非常有名的手写体数字识别数据集,在很多资料中,这个数据集都会被用作深度学习的入门样例。原创 2019-02-14 16:44:22 · 657 阅读 · 0 评论 -
【TensorFlow 学习】神经网络的优化——4.滑动平均模型
使模型在测试数据上更健壮(鲁棒 robus)的方法——滑动平均模型。原创 2019-01-17 10:52:18 · 410 阅读 · 0 评论 -
【TensorFlow 学习】神经网络的优化——3.解决过拟合问题
真实应用中想要的是通过训练出来的模型对未知的数据给出判断,因此如何解决训练过程中过拟合问题?原创 2019-01-11 16:49:04 · 1000 阅读 · 1 评论 -
【TensorFlow 学习】神经网络的优化——1.梯度下降算法
如何通过反向传播算法(backprogapation)和梯度下降算法(gradient decent)调整神经网络中参数的取值。原创 2018-12-26 11:13:02 · 2804 阅读 · 0 评论 -
【TensorFlow 学习】神经网络的优化——2.学习率的设定
通过指数衰减的方法设置梯度下降算法中的学习率。优点:让模型在训练的前期快速接近较优解。保证模型在训练后期不会有太大的波动,从而更加接近局部最优。...原创 2018-12-26 11:11:31 · 1520 阅读 · 0 评论 -
【TensorFlow 学习】深度学习与深层神经网络的概念
通过 TensorFlow 训练神经网络模型可以使用监督学习的方式来更合理的设置参数取值 。设置神经网络参数的过程就是神经网络的训练过程。监督学习**重要思想:**在已知答案的标注数据集上,模型给出的预测结果要尽量接近真实的答案。通过调整神经网络中的参数对训练数据进行拟合,可以使得模型对未知的样本提供预测的能力。神经网络的优化算法中,最常用的是反向传播算法。训练神经网络的...原创 2018-12-24 16:20:04 · 320 阅读 · 0 评论 -
【TensorFlow 学习】TensorFlow 的一些基本概念
TensorFlow 的计算模型—计算图TensorFlow 中的所有计算都会转化成计算图上的节点。概念1、Tensor:张量。——>多维数组2、Flow:流。——>直观的表达张量之间通过计算相互转化的过程。3、TensorFlow 是通过计算图的形式来表述计算的编程系统。4、TensorFlow 的节点:表示一个计算。5、TensorFlow 的边:表示计原创 2018-12-10 11:19:27 · 272 阅读 · 0 评论 -
【TensorFlow 学习】如何实现一个简单的神经网络
通过 TensorFlow 训练神经网络模型可以使用监督学习的方式来更合理的设置参数取值 。设置神经网络参数的过程就是神经网络的训练过程。监督学习**重要思想:**在已知答案的标注数据集上,模型给出的预测结果要尽量接近真实的答案。通过调整神经网络中的参数对训练数据进行拟合,可以使得模型对未知的样本提供预测的能力。神经网络的优化算法中,最常用的是反向传播算法。训练神经网络的...原创 2018-12-12 20:55:39 · 862 阅读 · 0 评论 -
Google 云端硬盘使用 colaboratory 跑深度学习(GPU)
Colaboratory 支持 Python 2.7 和 Python 3.6。谷歌中文说明:https://colab.research.google.com/notebook要使用云端硬盘,首先你必须翻墙!创建 Colaboratory用 Google 账号登录进入 Google 云端硬盘进入我的云端硬盘,创建一个文件夹(TensorFlow)。进入创建好的文件夹,点开新建 ...原创 2018-11-16 16:33:14 · 5043 阅读 · 0 评论 -
【论文笔记】Fully Convolutional Networks for Semantic Segmentation
【Author:Jonathan Long Evan Shelhamer Publish:CVPR】卷积网络的贡献:改进了全图像分类[19,31,32]在结构化输出的局部任务上取得了进展:目标检测边界框、部位和关键点预测、局部匹配(通信)从粗略到精细推理的下一步是像素预测。Semantic segmentation 的固有矛盾:全局信息解决目标是什么局原创 2017-04-25 10:25:43 · 4083 阅读 · 0 评论 -
深度学习在计算机视觉领域的前沿进展
转载自知乎:https://zhuanlan.zhihu.com/p/24699780虽然接触深度学习大概半年多了,但是一些思路还没有理顺,偶然间在知乎上看到这篇文章,感觉可以把我处于浆糊的脑袋稍微搅拌清晰了一些。暗戳戳收藏到博客中,想着时不时的还能看上个几次。_______________________________________________________________转载 2017-03-22 16:54:57 · 3950 阅读 · 0 评论 -
机器学习中,什么是子空间集合学习?
子空间学习大意是指通过投影,实现高维特征向低维空间的映射,是一种经典的降维思想。例如人脸图像,如果每幅图像提取出来的特征是1000维,则每幅图像对应着1000维空间中的一个点。维数太高给计算带来很多问题,且很多人认为真实有效的人脸图像特征并没有那么高维,可能只有100维,即每幅人脸只是100维空间中的一个点。将特征从1000维压缩到100维,就是子空间学习问题。在模式识别中,可能绝大多数的维数原创 2017-03-27 15:48:37 · 4286 阅读 · 0 评论 -
RCNN学习笔记(3):《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》
Abstract目前最先进的目标检测网络需要先用区域建议算法推测目标位置,像SPPnet[7]和Fast R-CNN[5]这些网络已经减少了检测网络的运行时间,这时计算区域建议就成了瓶颈问题。本文中,我们介绍一种区域建议网络(Region Proposal Network, RPN),它和检测网络共享全图的卷积特征,使得区域建议几乎不花时间。RPN是一个全卷积网络,在每个位置同时预测目标边界和原创 2016-12-26 14:10:21 · 5392 阅读 · 0 评论 -
RCNN学习笔记(1):《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》论文笔记
Abstract在现有的CNN中,对于结构已经确定的网络,需要输入一张固定大小的图片(e.g. 224×224)。那么检测各种大小的图片的时候,需要经过裁剪,或者缩放等一系列操作,这样往往会降低识别检测的精度。在这篇论文中,作者使用池化策略,“空间金字塔池化”,来消除上述影响。这个新的网络SPP-net,使得构建的网络,可以输入任意大小的图片,不需要经过裁剪缩放等操作。这个新的网络在目标检原创 2016-12-14 22:12:39 · 1974 阅读 · 1 评论 -
【TensorFlow 学习】如何设定神经网络的优化目标——损失函数
思考:如何刻画不同神经网络模型的效果并且进行目标优化呢?损失函数(loss function)原创 2019-02-14 11:27:04 · 2491 阅读 · 0 评论